論文の概要: Cycle-of-Thought: Self-Evaluative Iterative Reasoning for Table Visual Question Answering in Document Images

• arxiv url: http://arxiv.org/abs/2610.32423v1
• Date: Fri, 23 Oct 2026 09:50:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.48658
• Title: Cycle-of-Thought: Self-Evaluative Iterative Reasoning for Table Visual Question Answering in Document Images
• Title（参考訳）: 心のサイクル: 文書画像における表視的質問応答に対する自己評価的反復推論
• Abstract要約: Self-RefineVQAは、視覚質問応答のためのトレーニング不要な推論時間自己補正フレームワークである 人間のリビジョン行動にインスパイアされた本手法は,プロンプト誘導再評価による共通推論誤差を補正する,クローズドな自己フィードバックループを形成する。 本稿は,視覚言語モデル(VLM)におけるテーブル推論のための,スケーラブルでアクセスしやすいパラダイムとして,プロンプトベースの自己改善の可能性を強調した。
• 参考スコア（独自算出の注目度）: 2.234476443495425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Vision-Language Models (VLMs) have significantly improved Visual Question Answering (VQA) performance, yet their reasoning over structured content such as tables remains inconsistent, often plagued by spatial misalignment and logical hallucinations. Existing approaches for improving table VQA typically rely on architectural modifications or expensive supervised fine-tuning (SFT), which impose high barriers to entry due to the need for large-scale, expert-annotated datasets and significant computational resources. In this work, we propose Self-RefineVQA, a training-free, inference-time self-correction framework that improves table VQA performance without additional labeled data or model updates. Inspired by human revision behavior, our method enables a single VLM to iteratively act as a generator, critic, and refiner, forming a closed self-feedback loop that corrects common reasoning errors through prompt-guided re-evaluation. Experiments on tabular VQA benchmarks demonstrate that Self-RefineVQA yields consistent accuracy gains in monolingual and cross-lingual understanding, with a particularly significant boost for small models, enabling lightweight models (e.g., 2B-7B parameters) to rival the performance of significantly larger counterparts. Furthermore, we provide a comparative complexity analysis demonstrating that while inference cost increases linearly, our framework offers superior data efficiency and a lower cumulative cost by eliminating the prohibitive annotation bottleneck of human labeling required for fine-tuning. Our results highlight the potential of prompt-based self-improvement as a scalable, accessible paradigm for reliable table reasoning in VLMs.
• Abstract（参考訳）: VLM(Vision-Language Models)の最近の進歩は、視覚質問回答(VQA)のパフォーマンスを著しく改善しているが、テーブルのような構造化されたコンテンツに対する推論は相容れないままであり、しばしば空間的不整合や論理的幻覚に悩まされている。 テーブルVQAの改善のための既存のアプローチは、一般的にアーキテクチャ修正や高価な教師付き微調整(SFT)に依存している。 本研究では、ラベル付きデータやモデル更新を伴わずにテーブルVQAの性能を改善する訓練不要な推論時間自己補正フレームワークであるSelf-RefineVQAを提案する。 人間のリビジョン行動にインスパイアされた本手法では,単一のVLMがジェネレータ,批評家,精製機として反復的に動作し,クローズドな自己フィードバックループを形成し,即時誘導再評価による共通推論誤差を補正する。 表形式でのVQAベンチマーク実験では、単言語および言語間理解において、Self-RefineVQAが一貫した精度向上をもたらすことが示され、特に小さなモデルでは顕著に向上し、軽量モデル(例えば2B-7Bパラメータ)がかなり大きなモデルの性能に匹敵することを可能にする。 さらに,推定コストが線形に増加する一方で,微調整に必要な人間のラベル付けの禁止的アノテーションボトルネックを排除し,データ効率の向上と累積コストの低減を図っている。 本稿は,VLMにおけるテーブル推論のための,スケーラブルでアクセスしやすいパラダイムとして,プロンプトベースの自己改善の可能性を強調した。

関連論文リスト

• Fix Before Search: Benchmarking Agentic Query Visual Pre-processing in Multimodal Retrieval-augmented Generation [47.96044455071274]
  V-QPP-Benchは、Visual Queryの事前処理に特化した最初のベンチマークである。 視覚障害は、検索リコールとエンド・ツー・エンドのMRAGパフォーマンスの両方を著しく低下させる。 市販のMLLMは、特別な訓練を受けずにツールの選択とパラメータ予測に苦労する。 教師付き微調整により、コンパクトモデルはより大きなプロプライエタリモデルと同等または優れた性能を達成できる。
  論文  参考訳（メタデータ） (2026-02-13T18:39:48Z)
• Long-horizon Reasoning Agent for Olympiad-Level Mathematical Problem Solving [65.02106674311908]
  本稿では,マルチラウンド階層的推論を行う長期水平数学エージェントであるIntern-S1-MOを紹介する。 コンパクトメモリをレムマの形で維持することにより、Intern-S1-MOはレムマリッチ推論空間をより自由に探索することができる。 実験の結果、インターンS1-MOはIMO2025の非幾何学的問題で35点中26点を得ることができ、銀メダリストのパフォーマンスに匹敵することがわかった。
  論文  参考訳（メタデータ） (2025-12-11T15:26:28Z)
• TableMind: An Autonomous Programmatic Agent for Tool-Augmented Table Reasoning [10.267950603662776]
  TableMindは、データ分析と正確な数値推論のために、セキュアなサンドボックス環境で、マルチターンツールの実行、書き込み、実行を自律的に実行する、ツール統合テーブル推論エージェントである。 これらの機能を実現するために、我々は強力な事前学習言語モデルの上に構築された2段階の微調整パラダイムを採用する。
  論文  参考訳（メタデータ） (2025-09-08T02:00:31Z)
• Interpretable LLM-based Table Question Answering [5.484058026469263]
  テーブル質問回答(Table QA)の解釈可能性は非常に重要です。 本稿では,モデルの意思決定過程を解釈可能なテーブルQA法を提案する。
  論文  参考訳（メタデータ） (2024-12-16T22:44:31Z)
• Enhancing Visual-Language Modality Alignment in Large Vision Language Models via Self-Improvement [102.22911097049953]
  大規模視覚言語モデル(LVLM)は、視覚的質問応答および推論タスクにおいて印象的な結果を得た。 既存の手法は、しばしば外部モデルやデータに依存し、制御不能で不安定なアライメント結果をもたらす。 本稿では,外部依存を伴わない視覚的・言語的モダリティアライメントを向上させる自己改善フレームワークSIMAを提案する。
  論文  参考訳（メタデータ） (2024-05-24T23:09:27Z)
• Logical Implications for Visual Question Answering Consistency [2.005299372367689]
  本稿では,VQAモデルに広く適用可能な新しい整合損失項を提案する。 本稿では,これらの論理的関係を専用言語モデルを用いて推論し,一貫性損失関数として用いることを提案する。 我々は、VQAイントロスペクションとDMEデータセットに関する広範な実験を行い、我々の手法が最先端のVQAモデルに改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-03-16T16:00:18Z)
• Correlation Information Bottleneck: Towards Adapting Pretrained Multimodal Models for Robust Visual Question Answering [63.87200781247364]
  相関情報ボトルネック (CIB) は圧縮と表現の冗長性のトレードオフを求める。 マルチモーダル入力と表現の相互情報に対して,理論上界を厳密に導出する。
  論文  参考訳（メタデータ） (2022-09-14T22:04:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。